Se rendre au contenu

Entraîner un modèle de détection : la licence d'abord

Arbres, véhicules, fissures : les briques et les licences retenues pour DataTerra, et pourquoi YOLO n'en fait pas partie.
15 novembre 2026 par
Entraîner un modèle de détection : la licence d'abord
Federico Solutions, Myrko Federico

Entraîner un modèle de détection pour un service payant

Domaine : Vision par ordinateur / Détection d'objets / Licences open source

Période : août à septembre 2026

Client : Projet interne — DataTerra, ma plateforme géospatiale

Contexte

DataTerra, la plateforme que je développe autour du satellite et du drone, manipule des images aériennes : orthophotos de terrains, photos d'inspection. Une question arrive vite : peut-on compter automatiquement les arbres ou les voitures sur une orthophoto, repérer une fissure ou une tache de rouille sur une façade ? Pour cela, il faut entraîner un modèle de détection, ou en reprendre un. Avant la technique, j'ai dû trancher une question de dirigeant : quelle licence de modèle pour un usage commercial ?

Une précision, car on me la pose souvent : non, je n'utilise pas YOLO. C'est le nom qui vient à tout le monde, et c'est justement celui que j'ai écarté dès la conception. Voici pourquoi, et ce que j'utilise à la place.

Problème

  • Le modèle le plus connu n'est pas libre pour un service payant. Ultralytics YOLO est publié sous licence AGPL-3.0. Cette licence impose à celui qui modifie le logiciel et le fait utiliser à distance, par le réseau, d'offrir le code source à ses utilisateurs. Ultralytics l'écrit clairement : pour un produit commercial, une plateforme SaaS ou une API, sans publier tout votre projet, il faut sa licence Enterprise, sur devis.
  • Les données d'entraînement ont aussi une licence. Un jeu marqué « NC » (non commercial) interdit l'usage commercial. Un jeu « CC BY » l'autorise, à condition de citer l'auteur. Un modèle entraîné sur des données non commerciales traîne le problème avec lui.
  • Un modèle générique se trompe sur vos images. Vu du ciel, un bloc de climatisation peut ressembler à une voiture, une ombre à une couronne d'arbre.
  • Un modèle qui tourne n'est pas un modèle qui dit vrai. Il produit toujours un chiffre. Encore faut-il savoir si ce chiffre est juste avant de le mettre dans un rapport.

Solution

1. Écrire la règle de licence dans le code

Une consigne s'oublie ; une règle codée, non. Le catalogue des modèles refuse au démarrage toute brique sous licence AGPL ou GPL, et un modèle qui ne déclare pas sa licence ne démarre pas. Personne, ni un développeur pressé ni un agent IA, ne peut glisser par mégarde un modèle qui obligerait à publier le code ou à acheter une licence.

2. Reprendre l'existant quand la licence le permet

Pour les arbres sur orthophoto, j'utilise DeepForest, publié par l'équipe weecology sous licence MIT, code et poids compris. Pour les véhicules, OmDet-Turbo, un détecteur « à vocabulaire ouvert » : on lui dit en mots ce que l'on cherche. Il est sous licence Apache 2.0 et je l'utilise tel quel, sans le réentraîner. Le même modèle sait chercher des personnes, mais ce module reste grisé : il n'est pas encore assez mesuré.

3. Entraîner un petit modèle spécialisé quand rien ne convient

Pour les fissures sur des photos de façades, aucun modèle prêt à l'emploi ne convenait. J'ai donc entraîné le mien en août 2026 : un petit réseau de segmentation, qui colorie pixel par pixel ce qui est fissure, construit avec une bibliothèque sous licence MIT. Les données : le Concrete Crack Segmentation Dataset, publié par Çağlar Fırat Özgenel (Université technique du Moyen-Orient, METU) sous licence CC BY 4.0. Usage commercial permis, attribution obligatoire : son nom figure dans les rapports. La corrosion suit la même recette, avec des jeux d'inspection publics sous licence CC0 ou CC BY.

4. D'abord trouver le mur

Sur une photo de façade, il y a du ciel, des arbres, des câbles : autant d'occasions de voir des fissures partout. Un premier petit modèle, entraîné par mes soins, isole donc la zone à analyser. Ses images viennent de COCO, un grand jeu public dont chaque photo garde sa propre licence. Je n'ai gardé que les photos sous attribution simple (CC BY) ou sans restriction connue (Flickr Commons), et écarté toutes celles marquées NC, SA ou ND.

5. Un second regard

Sur plusieurs modules, le détecteur propose et un modèle de vision plus large relit chaque détection retenue : Gemma, de Google, publié sous licence Apache 2.0 pour la version utilisée. Il confirme ou réfute la présence de l'objet. Ce qu'il ne sait pas lire, il le conserve plutôt que de le supprimer.

6. Mesurer avant de vendre

La règle est simple : un module n'entre au catalogue que s'il a été mesuré sur un banc d'essai, c'est-à-dire des images dont on connaît la bonne réponse. Et c'est le banc, pas la courbe de validation de l'entraînement, qui choisit la meilleure version du modèle parmi celles produites en cours de route.

Sous le capot : pour votre informaticien

Toutes les briques sont sous licence permissive, vérifiée à la source (dépôt ou fiche Hugging Face) le 15 novembre 2026.

  • Arbres : DeepForest (RetinaNet), paquet et poids weecology, MIT. Exporté de PyTorch vers ONNX, avec un contrôle de parité sur une tuile réelle avant de remplacer l'original.
  • Véhicules, personnes : OmDet-Turbo Swin-tiny (Om AI Lab), Apache-2.0, invite textuelle. Poids publics à une révision figée, exécutés en PyTorch CPU. Piège : le chargeur peut tenter un appel réseau en lisant sa configuration ; forcez le mode hors ligne.
  • Fissures, corrosion, zone de mur : U-Net à encodeur MobileNetV3-small via segmentation_models.pytorch (MIT), exporté en ONNX. Le seuil appliqué après la sigmoïde n'est pas dans le graphe : le modifier ne casse rien, mais sort du point de fonctionnement mesuré.
  • Inférence : ONNX Runtime (MIT) sur CPU, sans carte graphique. Les grandes orthophotos sont découpées en tuiles avec SAHI (MIT), puis les boîtes fusionnées par une suppression des doublons sur l'image entière.
  • Intégrité : poids versionnés avec empreinte SHA-256 vérifiée au chargement, jamais téléchargés à l'exécution.
  • Écartés : Ultralytics YOLO (AGPL-3.0) ; RT-DETR, pourtant sous Apache-2.0, essayé puis retiré car il ne voyait rien en vue verticale ; un jeu de données drone réservé à la recherche.
  • Banc : images à vérité terrain, passées dans le vrai moteur de production et non dans une réimplémentation. Le registre refuse l'étiquette « mesuré » sans description du banc.

Résultat

  • Aucune brique AGPL ni GPL dans la chaîne : pas de code à publier, pas de licence commerciale à négocier, et une règle qui le vérifie à chaque démarrage.
  • Des modèles qui tournent sur un processeur ordinaire, à partir de fichiers versionnés et contrôlés.
  • Des modèles maison (fissures, corrosion, zone de mur) entraînés sur des données dont la licence permet l'usage commercial, avec les attributions dues.
  • Un catalogue honnête : ce qui n'est pas mesuré reste grisé, comme la détection de personnes.

Ce que j'en retiens

  • Lisez la licence avant le classement des performances. Le meilleur modèle du moment ne vaut rien pour vous si sa licence vous oblige à publier votre code ou à acheter une licence pour vendre votre service.
  • Les données comptent autant que le code. NC : interdit en commercial. CC BY : citez l'auteur. Tenez un registre : modèle, version, licence, source, date de vérification.
  • Petit et spécialisé plutôt que gros et loué. Un petit modèle entraîné sur votre problème tourne chez vous et ne dépend d'aucun service ni d'aucun changement de tarif. J'en parle dans mon article sur les modèles spécialisés et dans celui sur l'IA qui tourne sur de petites machines.
  • Mesurez avant de vendre. Un module qui tourne n'est pas un module qui dit vrai. Sans banc, pas de catalogue.
  • Ceci n'est pas un avis juridique. Pour un cas limite, faites relire la licence par un avocat.

Pour aller plus loin

Vous voulez détecter quelque chose dans vos images, sans dépendre d'un service ni d'une licence piège ? Voyez mon approche de l'IA souveraine et les applications métier que je mets en place, ou réservez un appel découverte de 20 minutes.

Sources

Photo de couverture : JonRichfield / Wikimedia Commons, licence CC BY-SA 3.0.

Tags : détection d'objets, vision par ordinateur, licence open source, AGPL, YOLO, DataTerra, drone, IA souveraine

Agent IA en PME : mon retour d'expérience avec OpenClaw
Plusieurs agents aux permissions séparées, une mémoire qui reste chez soi, des approbations et un budget suivi : ce que j'en ai appris.